Josselin Guarnelli

Architecture et mise en production de la trajectoire IA d'une institution : 332 collaborateurs, 13 directions. Conception & mise en production • Développement d'agents IA sur mesure (LangGraph) pour un produit de données d'entreprise, du prototype à la production. • Observabilité en production : supervision Grafana, centralisation des logs Loki, suivi des exécutions et des dérives. Rôle d'architecte — arbitrage et faisabilité • Validation de la faisabilité de chaque cas d'usage sur quatre axes : métier, technique, privacy by design, budgétaire. • Instruction des arbitrages build / buy et cadrage des architectures cibles. Cadrage & priorisation • Audit terrain ODI / Jobs-to-be-Done sur 13 directions → 58 cas d'usage scorés et priorisés. • Benchmark de 147 outils IA, framework de décision GO / ARBITRAGE / NO-GO. Gouvernance & conformité • Mise en conformité EU AI Act, article 50 (obligations de transparence). Privacy by design intégré dès la conception. • Business case validé ~806 k€/an. Restitution exécutive DG / Président. Stack & méthodes : Python, LangGraph, Grafana, Loki, ODI/JTBD, scoring d'opportunité, EU AI Act, privacy by design.

Chez Orange, DSI Data & AI j'ai été AI Engineer & Product Owner Technique d'une Plateforme data & IA mutualisée en architecture hybride on-premise / GCP. Développement • Développement d'agents IA en Python intégrés à la chaîne ETL pour le suivi automatisé des performances : détection d'anomalies d'exécution, remontée des dérives, alerting. • Instrumentation et observabilité des traitements : métriques de qualité et de latence exploitées par les équipes run. Adoption — le cœur de la mission • Embarquement de 10+ équipes produit autonomes sur la plateforme partagée, sans lien hiérarchique : cadrage des besoins, contractualisation des interfaces, accompagnement jusqu'à la mise en production. • Animation d'une communauté de pratique GenAI de 100+ praticiens : partage de patterns, montée en compétence, diffusion des standards. Product Ownership • Product Owner / tech lead en interface avec une équipe ETL de ~17 personnes : porteur du besoin côté métier et plateforme, garant de la cohérence fonctionnelle des livrables. • Cadrage et spécification des flux : formalisation des besoins d'ingestion et de transformation, règles de gestion, contrats d'interface, critères d'acceptation. • Construction et priorisation du backlog : arbitrage entre demandes des équipes produit consommatrices et dette technique de la plateforme, séquencement des livraisons. Périmètre technique cadré • Architecture hybride : Cassandra tri-site HA (on-prem), BigQuery, Bigtable, OpenSearch, PostgreSQL. • Gouvernance des accès et conformité RGPD : IAM, journalisation, rétention. • MLOps Vertex AI : cadrage des besoins d'entraînement, déploiement, observabilité. Environnement : GCP, Python, Cassandra, BigQuery, OpenSearch, PostgreSQL, Scrum/SAFe.

Conception et mise en production d'une chaîne IA temps réel en environnement de santé certifié HDS. (mission menée en parallèle) • Microservices Python / FastAPI : ingestion, scoring, moteur d'alertes. • Pipeline temps réel capteurs → Pub/Sub → Cloud Run → BigQuery + base vectorielle. • Agents RAG orchestrés avec LangGraph, avec évaluation systématique de la factualité et détection d'hallucinations. • Conformité HDS et EU AI Act intégrée dès la conception Stack : Python, FastAPI, LangGraph, RAG, GCP (Pub/Sub, Cloud Run, BigQuery), base vectorielle.

Copilote IA branché sur les ATS (Applicant Tracking Systems) pour réactiver les bases de candidats dormantes : en moyenne 75 000 profils déjà en base, sous-exploités au profit des job boards. Enjeu : faire ressortir les bons profils du stock existant plutôt que d'en sourcer de nouveaux. (mission menée en parallèle) Ingestion & recherche sémantique • Pipelines d'ingestion et de parsing de documents candidats (CV, lettres de motivation) : extraction structurée, normalisation, déduplication. • Indexation vectorielle (FAISS / pgvector) permettant la recherche sémantique sur la base ATS — matching par similarité de compétences et d'expérience, au-delà du filtre par mots-clés. Agents & orchestration • Orchestration LangGraph des workflows de sourcing et d'engagement candidat : qualification, priorisation, génération des messages d'approche. Intégration • Connecteurs vers les ATS du marché : synchronisation des profils, écriture des interactions, cohabitation avec le système en place sans migration. Impact produit • Réduction de 50 % des tâches manuelles de sourcing ; engagement candidat multiplié par 6. • Solution déployée chez de grandes agences de recrutement et sociétés de staffing (dont Randstad). Stack : Python, LangGraph, RAG, FAISS, pgvector, Mistral, Fast API

Conception et livraison de solutions IA en environnement contraint (santé, industrie). Détection de récidive de tumeurs pulmonaires — CHU de Nice • Modèle hybride ML (données cliniques, texte) + deep learning (imagerie tumorale) pour prédire la récidive aux stades I/II. • Explicabilité clinicien (SHAP, LIME) et dashboard de revue des cas — condition d'acceptation par les praticiens. • Résultat : 9 règles cliniques co-définies et validées avec les experts, base d'un protocole de suivi personnalisé. Modernisation du tri automatisé — La Poste • Industrialisation de la chaîne d'entraînement : base d'images labellisées, versioning, ré-échantillonnage, scoring. • Supervision continue en production : détection de dérive, seuils, ré-apprentissage. • Résultat : taux de tri automatique porté de 80 % à 92 %. Stack : Python, scikit-learn, TensorFlow/PyTorch, SQL, Docker/Kubernetes, APIs REST.

Co-fondateur (activité entrepreneuriale menée en parallèle) d'un produit IA multi-vertical (santé, e-commerce, énergie, transport) : de la découverte client à la production. • 8 cas d'usage mis en production en 12 mois : maintenance prédictive (4), segmentation (2), détection de fraude (1), forecasting (1). • Couche d'explicabilité (XAI) standardisée et exposée en API — levier d'adoption auprès des métiers. • Déploiements HA avec observabilité : latence P95, dérive, coût, alerting, SLOs. • Enablement client : ateliers pre-sales, blueprints d'architecture, runbooks et handover. Stack : Python, scikit-learn, TensorFlow/PyTorch, Docker/Kubernetes, REST APIs, time-series, anomaly detection.

Recipient of Ministry of Research and CNRS for the realization of a PhD focusing on the development of an IT decision-making model.